陳世恩　連旭燦

[中圖分類號]R563.1 [文獻標識碼]A

1背景

電子計算機斷層掃描（computed tomography，CT）圖片的采集速度快、可以被廣泛應用各類病毒性肺炎的篩查和診斷。但是CT圖像中切片數(shù)量多，需要花費醫(yī)生較長的時間來分析診斷。利用人工智能（artificial intelligence，AI）技術，被證實可以高效地輔助醫(yī)生進行快速地篩查和診斷。圖像增強技術作為一種樣本數(shù)據(jù)增強技術，也常被用于深度學習中。由于醫(yī)學圖像的特異性，一些常見的數(shù)據(jù)增強技術并不適用于CT圖像。本文擬采用的CT圖像增強技術包括了：中值濾波、直方圖均衡和小波變換。

2實驗設置

采用胸部cT圖像在對新冠肺炎（corona virus disease 2019，COVID-19）提供準確、快速、廉價的篩查和檢測方面很有前景。在本文中，研究采用了一個開源的COVID-CT數(shù)據(jù)集，其中包含275個COVID-19檢測呈陽性的CT圖像，有助于使用深度學習方法分析病人的CT圖像并預測其是否患有新冠的相關研究和發(fā)展。研究采用的相關數(shù)據(jù)和代碼：https：∥github.com/UCSD-A14H/COVID-CT。首先對數(shù)據(jù)集進行分配，訓練集與測試集按8：2比例隨機分配CT圖片。由于本次研究的數(shù)據(jù)集較小，在學習過程中很容易出現(xiàn)過擬合現(xiàn)象。為了防止此類現(xiàn)象的發(fā)生，我們采用了殘差網(wǎng)絡（residual network，ResNet-34）進行學習，并對其進行參數(shù)優(yōu)化。研究除了采用CT圖像增強技術外，還進行了參數(shù)的優(yōu)化研究。研究采用的優(yōu)化器是二分類問題中常用的Adam算法（adaptive moment estimation，Adam）和隨機梯度下降法（stochasticgradient descent，SGD）兩種優(yōu)化器。模型的學習率經(jīng)過實驗得出：當學習率為0.0006時可以獲得最佳的準確率。模型采用的批處理參數(shù)（batch-size）為64，完成一次整個數(shù)據(jù)集的訓練為1個epoch，我們將epoch設定為50。

3結果分析

3.1 SGD不同圖像增強方法結果對比圖

研究將原圖按照三種圖像增強方法分別增強后，并將原圖和增強后的數(shù)據(jù)進行混合學習。在使用SGD優(yōu)化器得出的學習結果如下圖1所示。

圖1 SGD不同圖像增強方法結果對比圖注：SGD為隨機梯度下降法

從圖1可以直觀地觀察到，采用不同的圖像增強方法對于提高識別準確率的作用較小，識別的準確率一直保持在0.8附近。最佳的準確率為0.82。

3.2 Adam不同圖像增強方法結果對比圖

將SGD優(yōu)化器更換為Adam優(yōu)化器后，得出的結果如下圖2所示。

圖2 Adam不同圖像增強方法結果對比圖

注：Adam為Adam算法

從圖2可以看出，準確率仍然是在0.8附近。最佳的準確率為0.84。

3.3運行50epoch的時間對比圖

對比采用Adam和SGD優(yōu)化器后發(fā)現(xiàn)兩者學習時間有較大的差異，見圖3。

圖3 運行50epoch的時間對比圖

從圖3中可以采用Adam優(yōu)化器在8個epoch后可以顯著降低學習時間。

4總結與展望

本文采用不同優(yōu)化器Adam和SGD，并對比研究了采用不同圖像增強方法時CT肺炎圖片識別準確率不同。研究得出CT圖像增強方法不能有效地提高識別準確率，采用優(yōu)化器Adam可有效地降低學習時間。下一步擬增加普通肺炎CT圖片數(shù)據(jù)并對網(wǎng)絡進行進一步地優(yōu)化，以獲得更高的識別準確率。